DECOMPOSITION D’UNE SEQUENCE D’IMAGES DYNAMIQUES DU COEUR EN COMPOSANTES SANGUINE ET TISSULAIRE, EN TOMOGRAPHIE D'EMISSION PAR POSITRONS, PAR LA METHODE DE REDUCTION LINEAIRE DE DIMENSION
Bibliographic record
Abstract
La Méthode de la Réduction Linéaire des Dimensions (Linear Dimension Reduction, LDR) repose sur le principe de la classification par projection entre espaces vectoriels.C'est une technique alternative pour surmonter les limites et les insuffisances de l'analyse factorielle et la méthode des régions d'intérêt, des méthodes utilisées souvent dans le traitement automatique des séquences d'images médicales en vue d'extraire le plus efficacement possible, les paramètres cliniques nécessaires au diagnostic.Dans cet article, nous développons l'aspect théorique fondamental de la méthode suivi de sa démarche algorithmique.L'application de la technique est effectuée par la suite dans la décomposition d'une série d'images dynamiques du cœur du rat acquise en tomographie d'émission par positrons (TEP), en composantes sanguine et tissulaire avec un bruit optimal.La décomposition des images tomographiques avec LDR permet la localisation des tissus dans les images et d'en augmenter le contraste contribuant ainsi à une simplification des procédures des analyses quantitatives en TEP.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.002 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.000 | 0.001 |
| Scholarly communication | 0.001 | 0.001 |
| Open science | 0.000 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.004 | 0.001 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".